基于微流体芯片技术提出了一种液压油微传感器。微传感器由内嵌硅钢片的平面电感检测线圈与对置硅钢片构成。电感检测模式下对金属颗粒进行检测,电容模式下检测水滴与气泡,实现了对油液中铁磁性颗粒、非铁磁性颗粒、水滴、气泡4种污染物的区分检测。通过实验证明新型结构的微传感器在电感模式下对金属颗粒检测精度的提高,并可以检测到油液中28μm的铁颗粒与85μm的铜颗粒;在电容模式下验证了微传感器在激励电压为2 V、激励频率为0.9 MHz时检测效果最好,并能检测到油液中95μm的水滴和160μm的气泡。该研究在对液压系统的故障预测和故障诊断有着十分重要的意义。

分析了典型液压挖掘机铲斗油缸系统的基本组成及其工作原理,在此基础上运用故障树分析理论,对铲斗油缸工作系统液压的故障产生的原因和机理进行分析研究,并建立了较为完善的液压挖掘机铲斗油缸系统故障树。利用故障树的分析方法,得出最小割集和顶事件发生的概率函数。查找统计相关数据,得出底事件发生的概率,计算出顶事件的概率,为液压油缸的结构设计、故障预测和分析、维修保养提供了理论依据。

传统滚动轴承故障预测仅对单个故障特征频率做时间序列预测,而滚动轴承故障由多个故障频率共同表征。为了全面的表征整个频谱的结构,并且不破坏各个频率间的内部联系,提出奇异值分解和极限学习机相结合的多变量时间序列预测方法。首先通过全矢谱方法得到振动信号频谱,然后以整个频谱的各个频率作为输入变量,构建多变量时间序列。最后通过多变量极限学习机和奇异值分解相结合的方法构建训练和测试样本,对频谱进行预测。采用该方法对全寿命滚动轴承数据进行验证,实验结果表明了该方法的有效性。

以系统复杂、耦合程度高、振动信号干涉多的纯电动汽车集中式电驱系统为研究对象,建立监测电驱动系统振动信号的采集系统,通过经验模态分解出各组件振动信号中潜在故障的内禀函数分量,再将各分量作为神经网络的输入参数,获得训练后的神经网络,再将原始信号作为神经网络的输入,输出可能的故障点与故障信息,从而建立故障预测模型。结果表明,在经验模态结合神经网络算法的基础上,利用采集的振动信号进行智能诊断,输出的预测结果准确率高。

数控机床加工中的机床故障会影响加工精度。提出一种预测方法,在加工前预判机床的故障,避免机床在加工中发生故障影响加工精度。为了快速准确地预测数控机床故障,采用遗传算法优化长短期记忆神经网络模型,预测服役过程数控机床中可能出现的故障。采集不同状态下的故障信号作为网络训练样本,采用网络模型预测机床出现故障的状态。结果表明:GA-LSTM是一种精度较高的预测模型,在数控机床故障预测中具有良好的表现,可以避免机床出现故障而影响加工精度的情况。

采用AMESim软件构建了齿轮泵内泄漏故障仿真平台,通过运行仿真平台得到齿轮泵泄漏的故障仿真数据。运用故障仿真数据,采取基于支持向量机的故障预测方法,在Matlab中建立了故障预测模型,将预测数据与仿真数据进行对比,计算出预测的误差,并对该模型的故障预测精度进行了评估验证。讨论了基于不同数量样本建模对故障预测精度的影响,为选择合理的样本数量构建预测模型提供了参考。结果表明建模数据的量越大,预测的误差越小,对齿轮泵的故障预测具有很好的应用价值。提出的思路和方法对齿轮泵内泄漏故障预测技术应用具有一定的参考价值。

为了研究液压马达可能出现内泄漏故障,并对液压马达状态进行预测性监控。通过建立液压马达内泄漏故障试验平台,获得液压马达内泄漏的故障数据。在MATLAB中建立基于T-S模糊神经网络的故障预测模型,将实验数据用于模型的训练以及预测结果的验证。对预测结果进行分析后,讨论了不同数量样本用于模型训练对故障预测精度的影响。在分析过程中发现数据波动较大的地方,相对误差较大。研究后发现,通过将实验数据进行拟合后,用相同的模型进行训练和预测,讨论了拟合后不同数量样本的预测模型精度与拟合前的差别。结果表明:虽然模型训练的数据数量越大,预测的精度越高,但数据拟合后只需将较少的数据用于建模,预测就能达到较高的精度,为小数据样本进行故障分析提供了参考。

针对电液伺服阀故障预测中故障类型复杂多变、早期故障较弱、时间序列难以处理等问题,构建了卷积神经网络(CNN)和长短期记忆神经网络(LSTM)相结合的电液伺服阀故障预测模型,取代人工特征选择和提取,解决故障预测的时序问题。以G761型电液伺服阀为例,利用AMESim软件对伺服阀阀芯磨损和孔板堵塞故障数据集进行了仿真,并用仿真故障数据验证了模型的预测精度。同时将LSTM,CNN,CNN+LSTM 3种模型针对电液伺服阀故障预测诊断的精度进行对比,CNN+LSTM故障预测模型训练时间更快,得到更高的预测精度,具有更好的适应性。

为降低实验模型构建和参数配置的复杂性,提出一种基于改进工作流的故障预测系统,以可视化的方式设计、配置、执行和部署故障预测实验。该平台不仅能够使专家更容易地使用各种故障预测算法和预测工具,而且能够使不具有算法基础和经验的非专家也参与到实验模型的构建中。通过某表干炉设备的故障预测实验,验证了该系统架构设计的可行性。

针对快锻液压机主缸油路故障预测，建立了主缸油路AMESim模型，在AMESim环境下仿真，获得了主缸油路故障特征；建立故障预测BP神经网络，并利用仿真样本训练、测试了BP神经网络模型。计算结果表明：所建立的BP神经网络预测模型具有较好的故障预测能力，可用于快锻液压机主缸油路故障预测。